挖掘和分析文本来识别公司财务欺诈：针对财务报表和社交媒体的分析

挖掘和分析文本来识别公司财务欺诈：针对财务报表和社交媒体的分析

挖掘和分析文本以识别企业财务欺诈：财务报表和社交媒体分析 财务欺诈是一个严重的世界性问题。金融欺诈被定义为“违反法律、法规和政策，故意获取未经授权的经济利益的行为”。 21世纪以来，安然、世通、泰科、南方医疗等公司发生的许多影响深远的财务造假案件，给股东带来了巨大的经济损失。安然欺诈丑闻导致股东损失740亿美元，世通欺诈导致3万人失业，投资者损失1800亿美元。除了经济损失之外，金融欺诈给世界经济造成了不可估量的损害，也严重损害了投资者对股市公平性的信心。更为严重的是，近十年来美国企业财务欺诈案件数量大幅增加。不仅是美国企业，中国企业也存在同样的问题。随着中国金融改革的不断深入，不少总部位于中国大陆的企业选择了海外上市。这些公司统称为中概股。 2010年以来，不少中概股公司被一些市场研究公司（如浑水、向融研究）做空。被做空的公司包括东方纸业、绿诺国际、多元环球水务、中国高速传媒等，这些公司先是股价暴跌，随后遭到证监会调查，最后退市。许多投资者赔了钱，对所有中概股失去了信心。为了避免巨大损失，有必要识别企业财务欺诈行为，确保金融市场公平、公开、透明。

FBI调查的金融欺诈类型包括公司欺诈、证券和商品欺诈、医疗欺诈、金融机构欺诈、抵押贷款欺诈等。鉴于美国和中国欺诈公司带来的惨痛教训，企业欺诈识别引起了很多关注。 1997年至2008年间发表的49篇金融欺诈识别文章中，34.75%研究的是企业欺诈。这也是本研究也以企业欺诈为研究对象的原因之一。另外，企业舞弊可以通过财务报表反映出来，因此数据充足。这是本文研究企业欺诈的第二个原因。现有研究将企业欺诈分为四个小类，包括股东欺诈、政府欺诈、财务报告欺诈和监管违规。由于企业舞弊更容易发生在高管层，且高管舞弊的影响更大，因此本研究采用的企业舞弊定义是公司管理层故意欺诈，通过发布误导性财务报表，给投资者和债权人造成损失。 。这个定义中有两个重要的信息。首先，发生在管理层的企业舞弊行为是本研究的对象。其次，管理层欺诈是通过发布误导性财务报告而发生的。了解企业欺诈的业务流程可以帮助我们提出更好的欺诈识别方法。一开始，当公司管理层面临因销售困难或因个人原因挪用资产带来的市场压力时，往往会高估公司的资产、销售额和收益，或低估负债、费用和各种损失。在财务报告中披露不切实际的增长机会。当看到这些过度修饰的财务数据时，华尔街分析师和公众投资者都会提高对公司的预期和盈利预测。

然后，为了满足市场的预期和预测，管理层必须为下一季度或明年编制虚假的财务报告。这就是企业造假的闭环业务流程。监管机构、审计人员、学术研究人员都在努力减少企业欺诈。监管机构采取的典型措施是美国注册会计师协会发布的 SAS 56 和 99。其中，SAS第56号文件提出了一套审计分析步骤，包括将记录的账目以及账目计算的比率与审计师的预期进行比较。 SAS 99 规定了审计师识别公司文件中的虚假陈述的标准。审计从业人员通过对财务数据进行全面审查、对库存和管理评估进行独立观察，然后与第三方人士或机构确认来做出判断。研究人员设计了不同的财务指标来识别公司欺诈行为。现有文献基于不同的方法提出了不同的指标体系，但识别结果差异较大。现有研究很大程度上依赖于财务报表中财务数据的统计分析来识别企业欺诈行为。这些欺诈识别方法都存在一些缺陷。首先，现有研究过于依赖数字金融数据。如果管理者故意隐瞒或进行会计造假，就很难区分虚假数据和真实数据。其次，企业审查现在过于依赖审计师和监管机构。由于审计师和监管机构的精力和资源有限，企业欺诈行为发生与被识别之间往往存在时间滞后。此外，近年来金融欺诈案件不断增多、欺诈手段不断更新，也意味着现有金融欺诈识别和防范机制失效。

因此，本研究希望提出新的方法来帮助研究人员和金融专家更好地识别金融欺诈。鉴于财务报表中的大部分内容都是文本，是对数值指标的解释和解释，研究人员逐渐利用这些被忽视的文本数据来更好地理解财务造假的机制。现有研究人员从财务报告文本中提取语言特征，将欺诈财务报告的识别转化为文本分类问题。本文认为，利用文本挖掘技术识别金融欺诈的研究仍处于早期阶段，现有提取的语言特征还存在很多问题。下面根据现有研究的不足提出相应的研究问题。 (1)从财务报告文本中提取的语言特征受到自然语言的复杂性和歧义性的限制。由于这些语言特征的提取需要事先定义，因此无法提取文本的一些潜在特征。另外，现有的语言特征大多是词频统计，没有考虑词之间的依赖关系。因此，本文的第一个研究问题是如何自动提取财务报告中的语言特征，提取词语依赖关系。 (2)现有研究基于不同的语言学和心理学理论从财务报告文本中提取了一系列语言特征。然而，目前缺乏一套专门针对财务报告文本分析和特征提取的指南。因此，本文的第二个研究问题是如何设计一个系统的理论文本分析框架来指导金融欺诈的识别。 （3）现有的企业舞弊识别文献一致采用财务报告中的数值和文字进行识别。然而，财务报告的内容本质上反映的是过去的信息，仅通过查看财务报告不可能了解投资者对公司的看法。

鉴于财经社交媒体平台上存在大量关于公司财务和经营状况的讨论和交流，本文探讨财经社交媒体内容是否可以用于识别企业欺诈，以及如何通过分析非结构化社交媒体来识别财务欺诈。内容。本文要解决的第三个问题。针对这三大研究问题，本文设计了三项研究。研究 1 构建了一个集成语言模型来识别财务报表中的欺诈性语言。首先，统计语言模型通常用于估计一段文本出现的概率。在本文中，该方法用于识别财务报告中欺骗性语言的策略性使用。与基于语言特征的现有方法相比，统计语言模型至少具有两个优点。首先，不需要提前定义特征，这往往是费时费力的；其次，统计语言模型可以自动对自然语言中单词的依赖关系进行建模。然而统计语言模型本身的一个缺点是它无法获取一长段文本之间的相关性信息。为了克服这个问题，本文引入了一种可以计算文档相似度的统计语言模型的潜在语义分析方法。这种潜在语义分析方法可以提取语义特征来区分欺诈样本和非欺诈样本。研究1的理论贡献是提出了一种集成语言模型来识别财务报告中的欺诈性语言。本文通过集成潜在语义方法，克服了统计语言模型无法获取大跨度文本信息的缺点，使统计语言模型具备了提取语义特征的能力，同时兼具了两种方法的优点。通过对海外上市中国公司的数据分析发现，本文新提出的集成语言模型在识别财务欺诈方面比这两种方法具有更高的准确性。

研究2开发了一个基于系统功能语言理论的文本分析框架，以识别财务报告中管理层的欺诈性语言。系统功能语言理论指出，语言是有目的的，可以通过措辞为语言使用者达到一定的目的。反过来，使用这一理论可以帮助我们理解欺骗性信息中策略性语言的使用。该理论具有概念功能、人际功能和话语功能三个功能模块。在本研究中，这三个功能模块被分解为七种信息类型，即主题、观点、情感、情态、人称代词、写作风格和主题。同时，该文本分析框架集成了潜在狄利克雷分布模型、计算语言学和词频-逆文档频率方法，可以提取所有信息类型的词级和文档级特征。所有特征都用作线性支持向量机分类器的输入。通过对 1610 个美国上市公司年报样本的舞弊风险评估，该分析框架在 10 倍交叉验证下的平均预测准确度达到 82. 36%，优于使用财务指标的计算方法。研究二的理论贡献是将系统功能语言理论引入金融欺诈识别领域，设计了一套严格的欺诈识别特征选择流程。这也是文献中提出的第一个系统特征集。本文提出了金融欺诈识别研究的七类结构，即主题、观点、情感、情态、人称代词、写作风格和主题。此外，本文提出了一种基于潜在迪里希分布模型、计算语言学和词频-逆文档频率方法的识别金融欺诈的新信息系统工具。

研究3首次利用金融社交平台上的大量用户生成内容来识别企业财务欺诈。财经社交媒体平台上有大量的知识贡献者和信息分享者，他们对公司的财务和经营状况产生了大量的讨论和交流。鉴于社交媒体信息的及时性、动态性、交互性和快速更新性，本文认为社交媒体的这些特点将大大减少欺诈识别的滞后问题。以网秦移动（一家中国手机安全公司）为例。浑水（做空公司）于2013年10月24日发布了对网秦移动的研究报告，认为该公司完全是一个欺诈行为。此报告一出，网秦股价当晚暴跌47%。然而，有人发现，早在2013年初，也就是网清移动被曝造假的半年前，雪球网就有用户发布了一系列分析报告，质疑并认为网清移动存在欺诈行为。 。行为。此案例说明了社交媒体平台上生成的用户分析数据如何帮助在正式公开曝光之前识别企业欺诈行为。针对社交媒体平台充斥着非结构化数据的现状，本文基于文本挖掘和信息检索的理论和方法，提出了一种能够将社交媒体平台上的非结构化数据解析为词权特征、主题等的方法。特征、情感特征和社交网络结构。一种新颖的文本分析框架。研究3从该金融投资平台获取公司数据并设计了两个子研究。

首先，本文选取了平台上149家欺诈公司和149家非欺诈公司的所有数据，包括分析师报告、新闻报道和公众讨论数据。本文采用支持向量机分类器和十倍交叉验证，发现样本分类准确率为64.66%。这个结果比随机猜测的准确率要高。在某种程度上，它表明社交媒体的内容包含一些有用的信息。识别潜在的欺诈迹象。然后我们测试社交媒体功能提前预测企业欺诈的能力。本文仅使用了造假曝光前金融社交平台上的64家造假公司样本和64家非造假公司样本的数据。支持向量机分类器十倍交叉验证下样本的平均分类准确率达到75.5%。 。结果表明，社交媒体内容对金融欺诈的预测具有主导作用。同时，本文提出了支持向量机模型中的欺诈概率指标来反映公司发生财务欺诈的概率。鉴于非欺诈公司实际上比欺诈公司多，本文逐渐增加样本集中非欺诈公司的数量，发现当非欺诈公司数量增加时，识别准确率随之提高。该分析框架的表现优于使用财务指标的计算，并且还表明社交媒体功能可以作为现有金融欺诈识别方法的补充。研究3的理论贡献是首次利用金融社交媒体进行欺诈识别，将非结构化社交媒体内容分解为词汇权重特征、主题特征、情感相关特征和社交网络特征，从而将社交媒体内容转化为机器学习-可处理的格式。

而且，本研究首次验证了金融社交媒体内容对欺诈识别具有早期作用，表明基于社交媒体的识别方法可以成为现有基于金融指标的识别方法的有效补充。综上所述，本文开发了三种用于企业财务欺诈识别的信息系统工具。第一个是财务报表文本分类的统计语言方法；二是能够提取有效特征进行欺诈识别的理论框架；第三个是分析框架，可以分解非结构化社交媒体内容以进行欺诈识别。本文的总体创新点在于：（1）现有的上市公司财务舞弊识别方法通常仅限于对财务报告中的数值指标进行分析。本文利用自然语言处理技术对财务报告中的文本进行分析，挖掘有用的指标用于识别欺诈公司；首次基于系统功能语言理论提出了最系统、最全面的企业舞弊识别指标体系；本文提出了一种新的财务报告文本分析方法，该方法优于现有的财务报告文本分析方法。指示方法准确度高； （2）鉴于社交媒体在欺诈披露中的作用日益明显，本文从主流金融社交媒体平台捕获数据，并首次使用文本挖掘技术从非结构化网络数据中提取结构化数据。量化指标并取得良好的识别准确率；并且本文发现，金融社交媒体内容对于识别欺诈具有主导作用，社交媒体内容可以作为现有基于金融指标的识别方法的补充。这篇文章的研究成果也